Neue Biomarker für die Laboratoriumsmedizin

Transkript

1 Institut für f r Laboratoriumsmedizin, Klinische Chemie und Molekulare Diagnostik Neue Biomarker für die Laboratoriumsmedizin Joachim Thiery Instand- Symposium Berlin 03. Juli 2009

2 Warum gibt es nur wenige validierte Biomarker? komplexe Pathogenese der Erkrankungen Variabilität der Krankheitsphänotypen individuelle genetische Disposition Einfluß Lebensstil und Umweltfaktoren

3 Biomarker für f r die Laboratoriumsmedizin?

4 Neue Biomarker für f r die Laboratoriumsmedizin 1. Prozess der Biomarkervalidiierung 2. Non-target Proteom-Analytik 3. Genomweite Analytik 4. Ausblick: Identifizierung neuer Zielmoleküle für Zivilisationskrankheiten (Landesexzellenzinitiative LIFE)

5 Definition eines Biomarkers Biomarker sind messbare biochemische oder molekulare Größen, die einen physiologischen oder pathologischen Prozess oder die Antwort auf eine therapeutische Intervention beschreiben Biomarkers Definitions Working Group 2001

6 Was erwarten wir von Biomarkern? Labormedizinische Biomarker dienen dazu, das individuelle Risiko einer Erkrankung abzuschätzen eine bestehende Erkrankung zu diagnostizieren den Schweregrad einer Erkrankung zu charakterisieren einen Therapieeffekt im Organismus zu quantifizieren die Sicherheit einer Therapie zu beurteilen und die Patientengruppen zu identifizieren, die nicht von einer Therapie profitieren

7 Therapeutische Option Labormedizinische Biomarker können als therapeutische Zielmoleküle dienen

8 Postulate für Kausalität Kohärenz der Effekte in vitro, im Tiermodell und beim Menschen Konsistenz der Effekte in klinischen Studien Sensitivität und Spezifität für einen Krankheitsprozess Dosis-Wirkungs-Beziehung Unabhängigkeit von etablierten Risikofaktoren Präzise und reproduzierbare labormedizinische Analytik

9 Limitierung von Biomarkern Der Nachweis der Assoziation eines Biomarkers mit einer Erkrankung in epidemiologischen Beobachtungsstudien reicht nicht aus, um eine kausale Beziehung zu postulieren. Der Beweis eines kausalen Zusammenhangs ist erst durch Interventionsstudien möglich.

10 Phasen der Biomarker-Entwicklung Discovery-Phase Qualification Verification Assay Development Rifai et al., Nat Biotechnol. 2006, 24(8):971-83

11 Phasen der Biomarker-Entwicklung Identifikation von Biomarker-Kandidaten (Proteine) non-target-ansatz / hypothesenfrei hochstandardisierte Proben mit mutmaßlich hoher Biomarkerkonzentration (Zellkultur, Gewebe, Tiermodell, gold-standard -Humanproben) Depletion abundanter Proteine extensive Fraktionierung semiquantitative Analytik Discovery-Phase explorative Statistik und Datenanalyse Rifai et al., Nat Biotechnol. 2006, 24(8):971-83

12 Phasen der Biomarker-Entwicklung Qualification-Phase Differentieller Nachweis in Patientenproben Targeted-Ansatz hochstandardisierte Proben (mit reduzierter biologischer Variation) von exzellent phänotypisierten Patienten Depletion und Fraktionierung quantitativer Nachweis multivariate Datenanalyse, komparative Statistik Rifai et al., Nat Biotechnol. 2006, 24(8):971-83

13 Phasen der Biomarker-Entwicklung Verification-Phase Leistungsdatenerhebung der Kandidaten Targeted-Ansatz Populationsbasierte Proben, normale biologische Variation Fraktionierung und ggf. selektive Anreicherung quantitativer Nachweis multivariate Datenanalyse, Leistungsdaten (Sensitivität, Spezifität, AUROC-Analysen) Rifai et al., Nat Biotechnol. 2006, 24(8):971-83

14 Phasen der Biomarker-Entwicklung Leistungsdatenerhebung der Kandidaten Targeted-Ansatz Assay-Phase Populations und krankheitsbezogene Variation Assay-Entwicklung (Multiplex-Option) High-Throughput Analytik in großen Kollektiven Klinische Bewertung von Sensitivität, Spezifität, ppv, prospektive Evaluation zur Kausalität

15 Identifizierung und Validierung von Biomarkern Identifizierung Gezielte Verfizierung Quantifizieren Replikation Spezifität Spezifität Klinische Validierung Rifai et al., Nature 2006

17 The false positives problem Petricoin III EF, Lancet 359; 572-7, 2002 Distillation of true positives from the total pool of candidates is the single greatest challenge in biomarker development. Rifai et al., Nat Biotechnol. 2006, 24(8):

18 Peptid/Protein Fraktionierung und Isolierung mit Hilfe magnetischer Mikropartikel C3 Metallionenaffinität Anionenaustausch Kationenaustausch C8 C18 Mikropartikel mit Magnetkern Polymerhülle auf der Oberfläche immobilisiert funktionelle Gruppen - selektive Anreicherung von Peptiden/Proteinen - Matrixabtrennung

19 Targetpräparation Analyt (Peptide/Proteine) +Matrix (2,5-Dihydroxybenzoesäure (DHB)) Kokristallisation von Matrix und Analyt

20 Prinzip der Proteom-Analyse Training Klinische Evaluierung gesund krank Unbekannte Probe m/z m/z diagnostischer fingerprint fingerprint pattern, welches mit hoher Sensitivität und Spezifität zwischen gesund und krank differenziert gesund krank

21 Beispiel: Pankreaskarzinom Inzidenz ca / Jahr in Deutschland 5-Jahres-Überlebensrate ~5% Tumormarker (CA19-9) Therapeutische Voraussetzung: Früherkennung!!!

22 From the haystack to the needle signals (n=3000 / 2400) p-value (p<0.05) dependent peak selection (n=600 / 57) cross-testing (entanglement) (n=7 / 4) rectification testing of candidates (n=4) testing of selectivity (n=4) ClinProTools Proteomics.net candidate peptides LE 25, LE 68 (n=2) Fiedler GM et al., Clin Cancer Res. 2009;15(11):

23 Study design: Cross-testing strategy (entangled peak selection and external confirmation) Ap Ac 1. A 2. B 3. C 4. D 5. E 6. F Bp 1. X 2. Y 3. C 4. D 5. E 6. H 1. Z 2. B 3. C 4. D 5. E 6. H 1. A 2. Y 3. N 4. D 5. L 6. H Ap/Ac Bp/Bc Ap/Bc Bp/Ac Selection of discriminating peaks in all comparisons Filtering of common peaks Application of candidate peaks on external validation set Bc Discriminator D Fiedler GM et al., Clin Cancer Res. 2009;15(11): Validation Group D D D D D D D D D D D Cp Cc

24 Discriminating peaks A B Peak m/z 3884: Platelet Factor 4 (PF4), double charged ion C D A & C Controls B & D Pancreatic Cancer Peak m/z 5959: Identification ongoing Fiedler GM et al., Clin Cancer Res. 2009;15(11):

25 PF4 enhances sensitivity and specificity AUROC 86.8% AUROC 86.8% AUROC 100% Conventional markers CA19-9 and CEA Conventional markers CA19-9 and CEA + Peak m/z 5959 Conventional markers CA19-9 and CEA + Peak m/z 3884 (PF4) Fiedler GM et al., Clin Cancer Res. 2009;15(11):

26 PF4 replication by ELISA p= Platelet Factor 4 (ku/ml) p= n.s. p< n=60 n=26 n=60

28 Myokardinfarkt Gesunde Kontrollen Genomweite SNP-Chips 1000K Genomweite Assoziationsanalyse (GWA): Gibt es Unterschiede in der Verteilung von Genvarianten? Signifikant Identifizierte Kandidatengenvarianten

29 The problem: False positives due to mulitple testing Consider p=0.05 as significant 1 out of 20 associations (5%) will be positive by chance In a 500k analysis will be termed significant by chance

30 Problem Bioinformatik Data Data Data Data Data Data Data

31 The solution: Multi-stage design Hirschhorn and Daly, Nature Reviews Genet, 2005

32 Neue Biomarker-Kandidaten für f r Stoffwechselstörungen Manolio, Nature Genetics;41(1), 2009

33 Neue Biomarker-Kandidaten für f r Stoffwechselstörungen Verifizierung durch a) Funktionelle Genetik b) Gezielte Proteom- und Metabolomanalytik in Patientenkohorten c) Interventionsstudien

34 Neue Biomarker für f r die Laboratoriumsmedizin 1. Prozess der Biomarkervalidiierung 2. Non-target Proteom-Analytik 3. Genomweite Analytik 4. Ausblick: Identifizierung neuer Zielmoleküle für Zivilisationskrankheiten (Sächsische Landesexzellenzinitiative LIFE )

35 Gene, Umwelt, Lebensstil? F. G. W. C. 39 Jahre (Herzinfarkt) 91 Jahre no sports Welche Faktoren bedingen die Variabilität der Krankheitsausprägung und des Verlaufes?

36 Sächsische Landesexzellenzinitiative Leipziger Interdisziplinärer Forschungskomplex zu molekularen Ursachen umwelt- und lebensstilassoziierter Erkrankungen ( LIFE ) Förderung: 38 Mio ( ); EU/Freistaat Sachsen Ziel: Neue diagnostische und therapeutische Zielmoleküle für Zivilisationskrankheiten Sprecher: Prof. Joachim Thiery (Labormedizin), Prof. Markus Löffler (Informatik) Ort: Universität Leipzig/Universitätsklinikum Leipzig Allergie Adipositas Pankreatitis Atherosklerose Depression/Demenz Krebs

37 LIFE-Arbeitsprogramm (A) LIFE-HEALTH (Leipziger Bevölkerungsstichprobe) ADULT: Erwachsene geschlechts- und altersstratifiziert (40-80J), n= Probanden CHILD: Kinder- und Jugendliche, geschlechts- und altersstratifiziert (0-18J), n=5.000 Lebenstil- und Umwelterfassung, umfassende Phänotypisierung (Klinik, Bildgebung, Labor) (B) LIFE-DISEASE 7 Krankheitskohorten, insgesamt Pat. (6000 aus LIFE-HEALTH) (M) LIFE Management DEPRESSION (C) LIFE-ANALYSIS (Zentrale Daten- und Probenbank, Labor- und Datenanalyse) Craniale KERNSPIN- TOMOGRAPHIE Juvenile ADIPOSITAS Klinische LABOR- DIAGNOSTIK DEMENZ DIABETES und ADIPOSITAS PROBENBANK CHRONISCHE PANKREATITIS ATHEROSKLEROSE HERZINFARKT GENOM- UND TRANSKRIPTOM- ANALYTIK KOPF-HALS TUMOREN DATENBANK, BIOMETRIE, BIOINFORMATIK + 2 Professuren + 2 Nachwuchsgruppen (D) LIFE-FUNCTION Strukturaufklärung, Mechanismen, Produkt/Verfahrensentwicklung. Modellsysteme für die LIFE-Krankheiten. Neue Drug-Targets, Technologien, Testsysteme. + 2 Nachwuchsgruppen. (E) LIFE-TRANSFER Medizinische und wirtschaftliche Anwendung. Technologietransfer zur Weiterentwicklung von Produkten, Verfahren und Dienstleistungen.

38 Alles an einem Standort im Medizinischen Viertel Universitätsmedizin Leipzig

39 Moderne Labordiagnostik für eine individualisierte Medizin

40 Vielen Dank für Ihre Aufmerksamkeit

41

42

43 Herausforderungen an einen Biomarker Beispiel Tumorerkrankung Therapie- Entscheidung Progression Tumorlast Schwellenwert für die initiale Diagnose Stabil Schwellenwert für die Rezidiv-Diagnose Ansprechen Rezidiv Prozess Risiko- Abschätzung Screening Klassifikation, Staging, Grading Rezidiv-Monitoring Ziel Prävention Früherkennung Individualisierte Therapie und Prädiktion des Therapieerfolges Frühe Intervention